SGC Rapport 183 Tillståndsövervakning och termoekonomisk ...

Rapport SGC 183Tillståndsövervakning och termoekonomiskdriftoptimering av en hybridanläggning medartificiella neurala nätverk©Svenskt Gastekniskt Center – Maj 2008Mohsen Assadi & Magnus FastINSTITUTIONEN FÖRENERGIVETENSKAPERLUNDS TEKNNISKA HÖGSKOLARapport SGC 183 • ISSN 1102-7371 • ISRN SGC-R--183-SE

SGC:s FÖRORDFUD-projekt inom Svenskt Gastekniskt Center AB avrapporteras normalti rapporter som är fritt tillgängliga för envar intresserad.SGC svarar för utgivningen av rapporterna medan uppdragstagarna förrespektive projekt eller rapportförfattarna svarar för rapporternas innehåll.Den som utnyttjar eventuella beskrivningar, resultat e dyl i rapporternagör detta helt på eget ansvar. Delar av rapport får återges med angivandeav källan.En förteckning över hittills utgivna SGC-rapporter finns på SGC´shemsida www.sgc.se.Svenskt Gastekniskt Center AB (SGC) är ett samarbetsorgan för företagverksamma inom energigasområdet. Dess främsta uppgift är att samordnaoch effektivisera intressenternas insatser inom områdena forskning,utveckling och demonstration (FUD). SGC har följande delägare:Svenska Gasföreningen, E.ON Gas Sverige AB, E.ON Sverige AB, LundsEnergikoncernen AB (publ), Göteborg Energi AB, och Öresundskraft AB.Följande parter har gjort det möjligt att genomföra detta utvecklingsprojekt:EnergimyndighetenVärmeforsk ABSiemens Industrial Turbomachinery ABÖresundskraft Produktion ABSVENSKT GASTEKNISKT CENTER ABJörgen Held

FörordArtificiella neurala nätverk har, för tillståndsövervakning under drift, integrerats ochtestats i befintligt datasystem på ett kraftvärmeverk. Ett tillhörande användargränssnitthar utvecklats tillsammans med en ekonomidel, för termoekonomisk driftoptimering,kopplad till de artificiella neurala nätverken.i

SammanfattningProjektet avser modellering av hybridanläggningen vid Västhamnsverket i Helsingborgmed artificiella neurala nätverk (ANN) samt integrering av ANN modeller, för onlinetillståndsövervakning och termoekonomisk optimering, på Västhamnsverket. Medhybridanläggning menas den pelletseldade ångcykeln som kombinerats med en moderngasturbin och tillhörande avgaspanna. Projektet är en fortsättning på tidigare projekt därträningen av ANN modellerna utfördes med driftdata från anläggningen. ANNmodellerna har vid behov uppdaterats för att bättre passa ändamålet med detta projekt.Den termoekonomiska optimeringen tar hänsyn till aktuella elpriser, skatter,bränslepriser mm. och ger ett direkt mått på den aktuella produktionskostnadentillsammans med den ”predikterade” produktionskostnaden. Verktyget har även eninbyggd funktion för att prognostisera när i framtiden en kompressortvätt är ekonomisklönsam. Användargränssnittet har utvecklats i samarbete med medarbetare påVästhamnsverket för att säkerställa användbarheten. Användargränssnittet inkluderarfunktioner så som varning och larm vid eventuella avvikelser i driften samt möjlighettill att plotta trendlinjer för parametrar, både uppmätta och predikterade, under valdtidsperiod.Målgruppen för projektet är kraftverksägarna samt gasturbintillverkarna.Kraftverksägarnas intresse ligger i att erhålla en produkt som kan användas förtillståndsövervakning och termoekonomisk optimering av bl.a. underhåll.Gasturbintillverkarnas huvudintresse ligger i att undersöka möjligheten att kunnaleverera ANN modeller tillsammans med nya gasturbiner.Projektet har genomförts på LTH med stöd av Västhamnsverket och Siemens.Västhamnsverket har tillhandahållit driftdata från anläggningen samt stöd till analys avdelsystemens funktion. De har även medverkat vid integreringen av ANN modellerna ideras datasystem samt vid utveckling av användargränssnittet. Siemens har bidragitmed expertkunnande om gasturbinen, SGT800.En slutsats från förra projektet var att ANN modellering av termiska kraftverk och dessdelsystem kan göras med hög noggrannhet. Mycket tack vare detta så kan även determoekonomiska beräkningarna, kopplade till ANN modellerna, utföras med braresultat. Integreringen av ANN modellerna och deras användargränssnitt, iVästhamnsverkets datasystem, visade sig fungera mycket bra. Med det framtagnaverktyget kan anläggningens tillstånd övervakas samtidigt som eventuella avvikelser, såsom degradering, värderas ekonomiskt.Målen med projektet anses av författarna i stort vara uppfyllda.Sökord: ANN modellering, termiska kraftverk, tillståndsövervakning, termoekonomiskoptimering, gasturbinii

SummaryThe project aim is to model the hybrid plant at Västhamnsverket in Helsingborg usingartificial neural networks (ANN) and integrating the ANN models, for online conditionmonitoring and thermoeconomic optimization, at Västhamnsverket. The definition of ahybrid plant is that it uses more than one fuel, in this case a natural gas fuelled gasturbine with heat recovery steam generator (HRSG) and a biomass fuelled steam boilerwith steam turbine. The project is a continuation of previous projects where ANNtraining was done with operational data from the plant. The ANN models have, ifrequired, been updated to better suit the purpose of this project. The thermoeconomicoptimization takes into account current electricity prices, taxes, fuel prices etc. andcalculates the current production cost along with the “predicted” production cost. Thetool also has a built in feature of predicting when a compressor wash is economicallybeneficial. The user interface is developed together with co-workers atVästhamnsverket to ensure its usefulness. The user interface includes functions forwarnings and alarms when possible deviations in operation occur and also includes afeature for plotting parameter trends in optional time intervals, both measured valuesand predicted.The target group is the plant owners and the original equipment manufacturers (OEM).The power plant owners want to acquire a product for condition monitoring andthermoeconomic optimization of e.g. maintenance. The OEMs main interest lies ininvestigating the possibilities of delivering ANN models along with their new gasturbines.The project has been carried out at Lund University, Department of Energy Sciences,with support from Västhamnsverket and Siemens. Västhamnsverket have contributedwith operational data from the plant as well as support in plant related questions. Theyhave also been involved in the implementation of the ANN models in their computersystem and the development of the user interface. Siemens have contributed with expertknowledge about their gas turbine, the SGT800.A conclusion from the previous project was that ANN modelling of thermal powerplants and its components can be done with high accuracy. Because of this, good resultscan also be achieved for the thermoeconomic calculations connected to the ANNmodels. The implementation of the ANN models, and the accompanying user interface,in Västhamnsverkets computer system was carried out successfully. With the developedtool plant condition can be monitored while at the same time possible deviations, suchas degradation, are economically evaluated.Keywords: ANN modelling, thermal power plants, condition monitoring,thermoeconomic optimization, gas turbineiii

Innehållsförteckning1 INLEDNING ................................................................................................................ 21.1 BAKGRUND ................................................................................................................. 21.2 BESKRIVNING AV FORSKNINGSOMRÅDET ........................................................................... 21.3 FORSKNINGSUPPGIFTEN OCH DESS ROLL INOM FORSKNINGSOMRÅDET .................................... 21.4 MÅL OCH MÅLGRUPP ..................................................................................................... 32 VÄSTHAMNSVERKET ................................................................................................. 42.1 GASTURBIN, SGT800 ................................................................................................... 52.2 ÅNGTURBIN, ATM ........................................................................................................ 52.3 AVGASPANNA .............................................................................................................. 62.4 FASTBRÄNSLEPANNA .................................................................................................... 63 ARTIFICIELLA NEURALA NÄTVERK, TEORI ............................................................... 73.1 ANN KONFIGURATION ANVÄND I DETTA PROJEKT ............................................................... 94 ARTIFICIELLA NEURALA NÄTVERK, MODELLERING ................................................ 114.1 GASTURBIN, SGT800 ................................................................................................. 114.2 ÅNGTURBIN, ATM ...................................................................................................... 124.3 AVGASPANNA ............................................................................................................ 134.4 FASTBRÄNSLEPANNA .................................................................................................. 145 EKONOMISKA STYRMEDEL INOM ENERGISEKTORN ............................................... 165.1 KOLDIOXIDSKATT ....................................................................................................... 165.2 ENERGISKATT ............................................................................................................ 175.3 UTSLÄPPSRÄTTER ...................................................................................................... 175.4 ELCERTIFIKAT............................................................................................................ 186 TERMOEKONOMISK ANALYS ................................................................................... 196.1 GASTURBIN, SGT800 ................................................................................................. 206.2 FASTBRÄNSLEPANNA .................................................................................................. 237 EKONOMISK OPTIMERING AV KOMPRESSORTVÄTTSTILLFÄLLEN .......................... 257.1 BERÄKNING AV DEGRADERINGSTREND ........................................................................... 267.2 PROGNOSTISERING ..................................................................................................... 288 INTEGRERING OCH ANVÄNDNING AV ONLINESYSTEM PÅ VÄSTHAMNSVERKET ... 328.1 SYSTEM 800XA .......................................................................................................... 328.2 ANVÄNDARGRÄNSSNITT EXCEL ..................................................................................... 338.3 ONLINETEST AV GASTURBIN ANN ................................................................................. 399 RESULTATREDOVISNING ........................................................................................ 4110 RESULTATANALYS .................................................................................................. 4211 SLUTSATSER ........................................................................................................... 4312 DISKUSSION ............................................................................................................ 4413 REKOMMENDATIONER OCH ANVÄNDNING ............................................................. 4514 FÖRSLAG TILL FORTSATT FORSKNINGSARBETE .................................................... 4615 LITTERATURREFERENSER ...................................................................................... 47iv

NomenklaturH Värmevärde kWh/Nm 3 , MJ/kgI Intäkt kr/MWh väk Korrektionsfaktor -k Godtycklig neuron -K Kostnad kr/MWh väm Massflöde kg/s, MJ/sP Eleffekt MWp Tryck kPa, MPaQ Värmeeffekt MWt Temperatur °Ct Tid -w Vikt -y In- eller utdata från neuron -α Kvoten mellan producerad el och producerad värme %η Verkningsgrad %FörkortningarANN Artificiellt neuralt nätverkCH 4 MetanCO 2 KoldioxidEOH Equivalent operating hoursEU Europeiska unionenFÖRÅ FörångareGT GasturbinHRSG Heat recovery steam generatorHTFV HögtrycksförvärmareISO InternationellastandardiseringsorganisationenMAVA MatarvattenNG NaturgasNO x KväveoxiderOEM Original equipment manufacturerPGIM Power generation information managerPLC Programmable logic controllerppm Parts per millionSGC Svenskt gastekniskt centerSGT Siemens gas turbineST Steam turbineVP VärmepumpÖH ÖverhettareIndex7 Turbinutloppatm Atmosfäravt Avtappninge Eftere, el Eleco Ekonomiserfj.v. Fjärrvärmefram FramledningiDagin Inloppkomp Kompressorkond Kondensorperm Permanentretur ReturledningsÅngatemp Temporärth Termisku Undreut Utloppv, vä Värme1

1 Inledning1.1 BakgrundProjektet, som är samfinansierat av Värmeforsk och Svenskt Gastekniskt Center (SGC),avser online tillståndsövervakning och termoekonomisk driftoptimering avhybridanläggningen vid Västhamnsverket i Helsingborg med artificiella neurala nätverk(ANN). För detta ändamål har ANN modeller integrerats i Västhamnsverket datasystemsamt ett användargränssnitt utvecklats. Användargränssnittet inkluderar, bland annat,verktyg för parameteranalys, varnings- och larmindikator, produktionskostnadsanalys,samt ekonomisk optimering av kompressortvättstillfällen.Kraftvärmeverket består av en modern gasturbin, SGT800, från Siemens medtillhörande avgaspanna samt en pelletseldad fastbränslepanna. Ånga genererad avfastbränslepannan och avgaspannan expanderar i en gemensam mottrycksturbin.För att realisera konditionsbaserat underhåll krävs kontinuerlig övervakning avdelsystemen i kraftverket. Avvikelser från förväntat datamönster indikerarkomponentfel eller degradering som operatören uppmärksammas att åtgärda. Snabbdetektering av fel leder därmed till reducerade underhållskostnader.Projektet ingår i en projektserie utförda i samarbete mellan Lunds Universitet,Västhamnsverket och Siemens [1][2][3][4].1.2 Beskrivning av forskningsområdetANN modellering av kraftverkssystem är ett relativt nytt område även om ANNverktyget har använts inom andra discipliner. Forskarstudier som bedrivits påavdelningen för Kraftverksteknik på Lunds Universitet under senare år har utgjort deförsta försöken till att använda ANN för kraftverksmodellering. Fleraanvändningsområden, så som simulering av drift, tillståndsövervakning,termoekonomisk analys, sensorvalidering och feldiagnostik, har identifierats.Nuvarande projekt är en fortsättning på tidigare arbeten. [5][6][7][8][9][10][11]1.3 Forskningsuppgiften och dess roll inom forskningsområdetProjektet är den senaste i en serie studier om Väshamnsverket och ANN modellering avhybridanläggningen. Inledningsvis användes syntetisk data, genererad med olika värmeochmassbalansprogram, till träning av ANN modeller för simulering och feldiagnostik.Från och med förra projektet skedde en övergång till användning av driftdata frånanläggningen till utveckling av ett tillståndsövervakningssystem för övergång tillkonditionsbaserat underhåll.Ökad tillgänglighet och billigare samt effektivare underhåll för bränslebaseradekraftverk är huvudintresset för denna forskning. Genom att koppla mätdata, genereradeunder drift, till analys av anläggningens kondition och prestanda kan så väl underhållsom prestanda för anläggningen optimeras.2

1.4 Mål och målgruppMålet med projektet är att skapa en färdig produkt integrerad på Västhamnverket medtillhörande användargränssnitt för tillståndsövervakning och termoekonomiskdriftoptimering. Produkten kan användas som underlag för en övergång från tidsbaseratunderhåll till konditionsbaserat underhåll.Målgruppen för projektet är kraftverksägarna samt gasturbintillverkarna.Kraftverksägarnas intresse ligger i att erhålla en produkt som kan användas förtillståndsövervakning och termoekonomisk optimering av bl.a. underhåll.Gasturbintillverkarnas huvudintresse ligger i att undersöka möjligheten att kunnaleverera ANN modeller tillsammans med nya gasturbiner.3

2 VästhamnsverketVästhamnsverket i Helsingborg är ett ångkraftverk, uppfört 1982, för el- ochvärmeproduktion med en fastbränslepanna för kol, träpellets och olja samt en ångturbinmed värmeavtappning. Verket hade före tillbyggnaden en kapacitet av 64 MWe och 132MWv, vilket gav ett alfavärde på 0,48. Vidare finns här en eldriven värmepump med 29MW värmeeffekt och en hetvattenackumulator med en kapacitet på 1500 MWh.Tillbyggnad av en gasturbinanläggning med avgaspanna har ökat kraftvärmeverketskapacitet för el- och värmeproduktion. Ångan från avgaspannan leds till befintlig,uppgraderad turbin, som dessutom förses med ånga från befintlig fastbränslepanna.Västhamnsverket tillhör kategorin hybridanläggningar eftersom ångan i anläggningengenereras med mer än ett bränsle. Totaleffekten för hybridanläggningen är 126,7 MWeoch 186 MWv och systemlösningen är unik. Alfavärdet har höjts till 0,68, vilket innebären väsentlig effektivisering och ett bättre utnyttjande av fjärrvärmenätet förelproduktion. Utöver Västhamnsverket försörjs fjärrvärmenätet i Helsingborg avspillvärme från en kemisk industri (Kemira), som i genomsnitt levererar 27-30 MWv,samt från hetvattencentralen ”Israel”, som har en kapacitet på nästan 400 MWv.Pannorna här kan huvudsakligen eldas med olja, men naturgas kan användas i tvåpannor på totalt 60 MWv. [1][2][3]Figur 1. Förenklat kopplingsschema av hybridanläggningen [11]Figure 1.Simplified flow diagram of the hybrid plant4

2.1 Gasturbin, SGT800Maskinen är utlagd för 43 MW och en termisk verkningsgrad på 37 %. Gasturbinen harmycket låga emissionsnivåer, under 15 ppm NO x på gasbränsle.Figur 2. Siemens SGT800 gasturbin [4]Figure 2.Siemens SGT800 gas turbineMaskinen är enaxlig och driver generatorn med den "kalla" sidan vilket innebär att mankan ha en effektiv lång konisk diffusor efter turbinen, se Figur 2. Kompressorn består av15 steg och tryckförhållandet är ca 20, med ett flöde på ca 130 kg/s. I brännkammarentillförs bränsleeffekt på ca 120 MW och temperaturen efter brännkammaren är ca1200°C. Gasen expanderar sedan genom turbinens 3 steg där man erhåller ca 100 MWturbinarbete (motsvarar ett arbete på ca 550 hk per roterande skovel). Eftersommaskinen är optimerad för kombicykel är avgastemperaturen relativt hög. Då inga idagkända belastade skovelmaterial tål mer än ca 950°C är turbinens 2 första steg luftkylda.[1][2][3]Den första SGT800 maskinen (produktionsprototypen) levererades till Helsingborgunder 1999 och togs i drift för de första verifieringsproven senhösten 1999. Maj 2007hade 52 SGT800 maskiner sålts varav 22 var i kommersiell drift. Två av dessa har 45000 EOH och 17 maskiner har över 20 000 EOH. 10 maskiner ska gå/går i enkelcykel,17 i värmekraftverk för både el- och värmeproduktion samt 25 i kombicykel.2.2 Ångturbin, ATMÅngturbinen som används i bottencykeln är den ursprungliga axialturbinen, frånuppförandet av Västhamnsverket. I och med att verket byggdes om för kombidrift,modifierades ångturbinen för att kunna släppa igenom bidraget från kombipannan, medbibehållna admissionsdata. ATM-maskinen är en oväxlad fullvarvsmaskin med lågreaktionsgrad, som utvecklades i Finspång, av dåvarande STAL-LAVAL (numeraSiemens Industrial Turbomachinery AB) under slutet av 1970-talet. Ångturbinen har idetta utförande partialpådrag, med symmetriska pådragsbågar (1+1, 1, 1) och ett Curtissteg.Maskinen är försedd med tre avtappningar till högtrycksförvärmaren,matarvattentanken och lågtrycksförvärmaren. Vidare används två värmekondensorer itraditionell två-stegs koppling och flödena separeras med Baumannsteg (2 + 3). Totala5

antalet steg är 25. Denna turbintyp har ett välförtjänt rennomé som robust och mycketdriftsäker, med litet underhållsbehov. [1][2][3]Figur 3. ATM maskin i kondensutförande [4]Figure 3.ATM machine in condense designÅngturbinen anpassades för det ökade ångflödet, innan gasturbinen togs i drift, genomatt öka bågarean i reglersteget samt ny beskovling i resterande turbinen exklusiveBaumann-stegen. Denna modifiering innebär bland annat att relationen mellan stegtryckoch flöde genom ett visst steg inte är samma efter ombyggnaden. På grund av dettakommer endast mätdata efter ombyggnaden att användas i projektet. [1][2][3]2.3 AvgaspannaDe heta rökgaserna från gasturbinen värmeväxlas i en ekonomiser, förångare samt tvåöverhettare för att producera ånga till ångturbinen. Avgaspannan, som är aventryckstyp, levererar vid fullast ca 15 kg överhettad ånga per sekund vid 105 bar och520°C. Utöver detta finns även en fjärrvärmeekonomiser med ett ungefärligt effektuttagpå 20 MW.2.4 FastbränslepannaFastbränslepannan, som numera eldas med 100 % biobränsle, består i stora drag av enekonomiser, ångdom, förångare samt ett antal överhettare. Atmosfärsluften förvärms ien luftförvärmare av system Ljungström. Det finns även en fjärrvärmeekonomiserinbyggd i rökgasstråket med ett ungefärligt värmeuttag på 6 MW. Konvertering tillbiobränsle har krävt ombyggnader av både bränslekvarnar och rökgasfläkt för atthantera de större flödena av så väl bränsle som rökgas. Värmeeffekten i pannan är ca250 MWth och den levererar ca 80 kg överhettad ånga per sekund vid 110 bar och540°C. Bränsleinmatningen sker tangentiellt i tre olika nivåer i pannan.6

3 Artificiella Neurala Nätverk, teoriTillskillnad från traditionella matematiska modeller, som programmeras, så lär sig ANNsamband mellan indata och utdata. Detta görs i en process som kallas träning, där datapresenteras för ANN i en iterativ process. Det naturliga kravet blir då att data (både inochutdata) måste finnas tillgängligt. ANN kan hitta samband (så länge där finns ettsamband) mellan indata och utdata oavsett om de är enkla, oerhört komplicerade ellert.o.m. okända. För att exemplifiera det hela så används nedanstående ekvation för attgenerera lite in- och utdata till Tabell 1. [5][12]y =2x3Tabell 1. In- och utdata genererade av ekvationTable 1. Input and output data generated with equationx (indata) y (utdata)3 36 129 2712 4815 7518 10821 147Låt oss säga att ekvationen, som representerar sambandet mellan in- och utdata, ärokänd men tabellen med data finns tillgänglig. I ett sådant scenario kan ANN tränasmed dessa data för att hitta sambandet mellan x och y. Efter träningen så låses nätverketoch när ny indata presenteras så genereras motsvarande utdata. Säg x = 10 används, dåskulle ANN svara med y = 33,3 (eller åtminstone väldigt nära, beroende på framgångenvid träningen). Denna förmåga, att leverera utdata från tidigare osedd indata, kallasgeneralisation. Man kan jämföra processen med en kurvanpassning.ANN är inte begränsad till att bara ha en in- och utdataparameter utan lämpar sig väl förickelinjära multidimensionella system, d.v.s. flera in- och utdata med ickelinjärasamband enligt Figur 4. [5]Inputs123...MNon-linearsystem12...NOutputsFigur 4. Ickelinjärt, multidimensionellt system [5]Figure 4.Non-linear, multidimensional system7

För att få en inblick i hur själva ANN är uppbyggt så visas i Figur 5 en artificiell neurontillsammans med de vanligaste överföringsfunktionerna.+1w k0neuron ky aw kaΣs kFy ky bw kbLinear functionyThreshold functiony0 s0 sLog-sigmoid functionytanh-sigmoid functiony0s0sFigur 5. Schematisk representation av en artificiell neuron samt vanligaöverföringsfunktioner [5]Figure 5.Schematic representation of an artificial neuron with common transfer functionsDet som händer i neuronen är att indata (i denna figur y a samt y b ) multipliceras med sinarespektive vikter (w ka och w kb ) för att sedan summeras till en s.k. effektiv indata (s k )vart på denna passerar genom en överföringsfunktion (i bilden visas fyra exempel påfunktioner, men i verkligheten väljs endast en beroende på problemets beskaffenheter).Det som kommer ut ur överföringsfunktionen är själva utdata, y k . Ettan som synsovanför indata är en s.k. bias och representerar en offset som även den multiplicerasmed sin egen vikt, w k0 . [5]När träningen initieras så tilldelas vikterna randomiserade värden vart på de förstaindata presenteras för modellen. Självklart kommer den utdata som genereras intematcha verklig utdata. Felet som uppstår, mellan predikterad utdata och verklig utdata,används för att uppdatera vikterna (w ka , w kb samt w k0 ). Vikterna justeras utifrånrespektive indatas inflytande på utdata. Denna process motsvarar en epoch (iteration)och för varje genomförd epoch så kommer felet mellan predikterad och verklig utdataatt minska. [5][12]Eftersom varje neuron bara har en utdata så bygger man upp nätverk av neuronerlagervis (därav neurala nätverk), vanligtvis bestående av ett indata-, ett dolt- och ettutdatalager, enligt Figur 6. För att anpassa nätverket för bästa prestanda så kan antaletneuroner i det dolda lagret varieras.8

DoltlagerIndatalagerUtdatalagerFigur 6. Artificiellt neuralt nätverk med ett indata-, ett dolt- och ett utdatalager [4]Figure 6.Artificial neural network with one in-, one hidden- and one output layerDen totala datamängden delas upp i tre delar innan träning, en del för just träning, en förvalidering och en för test. Träningsdata används för att generera felen (som beskrevovan) medan validerings data används för att testa nätverkets prestanda under träningför att undvika överträning. Den sista delen, testdata, används för att kontrolleranätverket med oberoende data efter det är färdigtränat (jämför x = 10 i exemplettidigare). [5]Innan data används för träning så måste den normaliseras för att undvika att en signalsom är större än de andra blir dominant, efter träningen så denormaliseras data igen. [5]50050NormalizationANN1100De-normalization3500input normalized input normalized output outputFigur 7. För- och efterbehandling av data [5]Figure 7.Pre- and post treatment of data3.1 ANN konfiguration använd i detta projektVid modellering av termiska kraftverk har det visat sig, genom mångårig erfarenhetinom institutionen, att användande av en ANN struktur med ett indatalager, ett doltlager samt ett utdatalager är att föredra. Det har även visats att ett dolt lager räcker föratt uppskatta vilken kontinuerlig funktion som helst [5]. Som överföringsfunktioner hartangens hyperbolicus använts då den har ickelinjära egenskaper som är önskvärda vidmodellering av anläggningar med ickelinjärt beteende. Data har, utifrån erfarenhet,normaliserats i intervallet -0.8 till 0.8 vilket bl.a. medför att det resulterande nätverketkommer att ha förmåga till extrapolering [10]. Bakom varje ANN modell ligger envariation av antalet neuroner i det dolda lagret. Dessa variationer utförs i regel i9

intervallet 5 till 20 vart på det bäst konvergerande nätverket sparas. Att ange exaktvilken konfiguration som sparats för respektive modell anses inte vara av någon störrevikt eftersom det kan variera från träning till träning.10

4 Artificiella Neurala Nätverk, modelleringVissa av ANN modellerna som togs fram under föregående projekt har uppdaterats medavseende på in- och utdataparametrar för att bättre passa syftet med detta projekt. Närman ska göra en ekonomisk analys av anläggningen, t.ex. beräknaproduktionskostnaden, så måste man ha tillgång till vissa parametrar så sombränsleflöden samt el- och värmeeffekter. Fokus vid uppdateringen av ANN modellernahar därför legat på att lägga till utdataparametrar som kan användas vid beräkning avproduktionskostnaden. Respektive ANN modell, och eventuella uppdateringar,behandlas i separata stycken nedan. För mer information om respektive ANN modell,konfiguration, noggrannhet osv. så hänvisar vi till ’Modellering av hybridanläggningsamt utveckling av övervakningssystem för Västhamnsverket baserat på ArtificiellaNeurala Nätverk’ [4].4.1 Gasturbin, SGT800Gasturbinmodellen som utvecklades under förra projektet har hög noggrannhet ochvalda utdataparametrar passar ändamålet för detta projekt. Till exempel finns bådeproducerad eleffekt och bränsleflöde med bland utdata, vilka är huvudparametrarna fören ekonomisk analys. Gasturbinmodellen har därför inte modifierats och desskonfiguration samt noggrannhet visas i Tabell 2 och Tabell 3.Tabell 2. In- och utdataparametrar för gasturbinmodellen [4]Table 2. In- and output parameters for the gas turbine modelIndataUtdataEffektreglering [1 eller 0] Kompressor inloppstryck [kPa]Anti Icing [1 eller 0] Ledskenor, läge [%]Atmosfärstemperatur [°C] Temperatur avtappning 10 [°C]Atmosfärstryck [kPa] Kompressor utloppstryck [MPa]Kompressor utloppstemperatur [°C]Massflöde naturgas[MJ/s]Massflöde turbin[kg/s]Rökgastemperatur (t 7 )[°C]Eleffekt[MW]11

Tabell 3. Felfördelning vid prediktion av utdata med gasturbin ANN [4]Table 3. Error distribution for prediction of outputs with the gas turbine ANNFelfördelning 4%Kompressor inloppstryck 7239 0 0 0Ledskenor, läge 6489 558 183 9Temperatur avtappning 10 7142 90 6 1Kompressor utloppstryck 7234 3 2 0Kompressor utloppstemperatur 7223 16 0 0Massflöde naturgas 6649 579 8 3Massflöde turbin 7229 8 2 0Rökgastemperatur (t 7 ) 7239 0 0 0Eleffekt 7179 58 1 14.2 Ångturbin, ATMÅngturbinmodellen har förändrats både med avseende på in- och utdata. Syftet har varitatt inkludera fjärrvärmekondensorernas värmeeffekt som utdata, och för att göra dettamed tillfredställande noggrannhet så har den levererade värmeeffekten frånvärmepumpen samt ekonomisern lagts till som indata. Både värmepumpen ochrökgasekonomisern ligger på samma fjärrvärmekrets som fjärrvärmekondensorerna ochatt bara använda retur- och framledningstemperatur på fjärrvärmevattnet (tillsammansmed ångdata) är därför inte tillräckligt. Värmeeffekten är intressant att predikteraeftersom vid en ekonomisk analys så beräknas ofta, även så i detta fall,produktionskostnaden i kronor per producerad megawattimme värme. Fjärrvärme måstealltid levereras till fjärrvärmekunderna på ett eller annat sätt så detta är ett bra sätt attjämföra olika anläggningars produktionskostnad med varandra. Den uppdateradeångturbinmodellens in- och utdata visas i Tabell 4 och prediktionsnoggrannheten visas iTabell 5.Tabell 4. In- och utdataparametrar för ångturbinmodellen [4]Table 4. In- and output parameters for the steam turbine modelIndataUtdataMassflöde ånga avgaspanna [kg/s] Eleffekt [MW]Massflöde ånga panna [kg/s] Temperatur matarvatten efter HTFV [°C]Temperatur ånga panna [°C] Effekt fjärrvärmekondensorer [MW]Temperatur framledning [°C]Temperatur returledning [°C]Effekt värmepump[MW]Effekt ekonomiser[MW]12

Tabell 5. Felfördelning vid prediktion av utdata med ångturbin ANNTable 5. Error distribution for prediction of outputs with the steam turbine ANNFelfördelning 4%Eleffekt 2795 94 10 1Temperatur matarvatten efter HTFV 2900 0 0 0Effekt fjärrvärmekondensorer 1655 736 354 155Felen vid prediktion av värmeeffekten från fjärrvärmekondensorerna är lite högre än vidprediktion av de andra utdataparametrarna, vilket kan härledas bland annat till detfaktum att värmeeffekten är en framräknad storhet som beror på ett flertal sensorer.Under givna förutsättningar är dock prediktionerna bra och fullt användbara vidberäkning av produktionskostnaden. Figur 8 visar träffsäkerheten i ANN modellen.[MWv]200Beräknad värmeeffekt Predikterad värmeeeffekt FelFel [%]201801816016140141201210010808606404202000 100 200 300 400 500 600 700 800 900 1000DatapunkterFigur 8.Figure 8.ANN prediktioner jämfört beräknad värmeeffekt från fjärrvärmekondensorernaComparison of ANN predictions and calculated heat production4.3 AvgaspannaANN modellen för avgaspannan är, precis som den för gasturbinen, lämnad oförändrad.Den viktigaste parametern i avgaspannan, för beräkning av produktionskostnaden, äruttagen värmeeffekten i fjärrvärmeekonomisern och denna är sedan tidigare inkluderadsom utdataparameter i modellen. En komplett lista på in- och utdataparametrar återfinnsi Tabell 6 och felfördelningsstatistik vid prediktion återfinns i Tabell 7.13

Tabell 6. In- och utdataparametrar för avgaspannmodellen [4]Table 6. In- and output parameters for the HRSG modelIndataUtdataAnti Icing [1 eller 0] Massflöde fjärrvärme [m 3 /h]Atmosfärstryck [kPa] Massflöde ånga [kg/s]Atmosfärstemperatur [°C] Temperatur efter överhettare 1 [°C]Effektreglering [1 eller 0] Temperatur efter överhettare 2 [°C]Temperatur fjärrvärme retur [°C] Temperatur på utgående rökgaser [°C]Temperatur fjärrvärme fram [°C] Effekt fjärrvärme ekonomiser [MW]Tabell 7. Felfördelning vid prediktion av utdata med avgaspanna ANN [4]Table 7. Error distribution for prediction of outputs with the HRSG ANNFelfördelning 4%Massflöde fjärrvärme 3387 2225 1188 165Massflöde matarvatten 5757 1019 165 24Temperatur efter överhettare 1 6949 16 0 0Temperatur efter överhettare 2 6965 0 0 0Temperatur på utgående rökgaser 6481 464 17 3Effekt fjärrvärme ekonomiser 4729 1711 453 724.4 FastbränslepannaTidigare var massflödet pellets indata till ANN modellen men har nu flyttats tillutdatasidan istället. Värmeeffekten från rökgasekonomisern är ytterligare ett tillskottbland utdataparametrarna. Hela listan på parametrar finns i Tabell 8,prediktionsnoggrannheten för modellen syns i Tabell 9 och prediktioner för massflödepellets är plottade i Figur 9.Tabell 8. In- och utdataparametrar för fastbränslepannmodellen [4]Table 8. In- and output parameters for the solid fuel boiler modelIndataUtdataTemperatur matarvatten efter HTFV [°C] Massflöde ånga [kg/s]Tryck matarvatten före HTFV [MPa] Temperatur ånga [°C]Massflöde pellets[kg/s]Värmeeffekt rökgaseko [MW]14

Tabell 9. Felfördelning vid prediktion av utdata med fastbränslepanna ANNTable 9. Error distribution for prediction of outputs with the solid fuel boiler ANNFelfördelning 4%Massflöde ånga 2628 229 25 18Temperatur ånga 2332 517 51 0Massflöde pellets 2462 400 30 8Värmeeffekt rökgasekonomiser 157 168 389 2186Värmeeffekten från rökgasekonomisern har visat sig svår att modellera och skullekanske i normala fall förkastas som utdata men behövs för de ekonomiskaberäkningarna då de görs i enheten kronor per megawattimme värme. Värmeeffektenfrån rökgasekonomisern är dock, i förhållande till värmeeffekten frånfjärrvärmekondensorerna, liten (ca 6 MW) och påverkar därför det slutliga resultatetmarginellt. Alternativt kan denna värmeeffekt antas vara konstant istället.[kg/s]16Beräknat massflöde pellets Predikterat massflöde pellets Fel [%]Fel [%]1614141212101088664422000 100 200 300 400 500 600 700 800 900 1000DatapunkterFigur 9.Figure 9.ANN prediktioner jämfört beräknat massflöde pelletsComparison of ANN predictions and calculated mass flow of pellets15

5 Ekonomiska styrmedel inom energisektornEftersom en stor del av detta projekt handlar om att koppla ekonomiska beräkningar tillframtagna ANN modeller så förtjänar de olika ekonomiska styrmedlens utformning ochfunktion en närmare beskrivning. Grundidén är att, utöver prestandaprediktionerna föranläggningen, ha ett mått på produktionskostnaden och därmed en uppfattning om vaddegradering, eller på annat sätt ickeoptimal drift, innebär rent ekonomiskt. EftersomANN modellerna hela tiden predikterar vad en frisk anläggning borde leverera så gerekonomiska beräkningar baserat på detta ett mått på vad produktionen borde kosta. Ettexempel är om gasturbinen skulle vara degraderad och därmed förbruka mer bränsle änen odegraderad maskin, vilket i sin tur resulterar i en högre produktionskostnad ännödvändigt. Skatter, så som koldioxidskatt, baseras på den förbrukade mängden bränsleoch kommer därmed också bidra till en ökad produktionskostnad.Svavelskatt och kväveoxidavgift diskuteras inte i detalj eftersom de inte/knapptpåverkar produktionskostnaden. Svavelskatt tas ut för fossila bränslen som omfattas avenergi- och koldioxidskatt samt torv, d.v.s. inte pellets. Naturgas innehåller så litesvavel (

koldioxidutsläpp fås eftersom väte bildar vatten tillsammans med syre medan kol bildarkoldioxid. Naturgas har till exempel en stor andel metan, CH 4 , vilket betyder att detfinns (för just denna komponent i gasen) fyra väteatomer men bara en kolatom.Skattesatsen för respektive bränsle står i proportion till hur mycket koldioxid som bildasnär en bestämd mängd energi produceras.5.2 EnergiskattEnergiskatt är liksom koldioxidskatt en punktskatt som tas ut på fossila bränslen.Elproduktion är befriad från energiskatt och likaså är värmeproduktion ivärmekraftverk. Den andel bränsle som går till egenförbrukad el för elproduktionbelastas däremot med full energiskatt. Vid ren värmeproduktion betalas full energiskatt.[16][17][18]Tabell 11. Energiskatt för olika bränslen [15]Table 11. Energy tax on various fuelsBränsleslagKolOlja (EO5)NaturgasEnergiskatt319 kr/ton750 kr/m3243 kr/km3Till skillnad från koldioxidskattesatserna, som bestäms utifrån kolinnehållet i bränslet,så bestäms energiskattesatserna på årsbasis utifrån aktuell skattepolitik. D.v.s. vill manfrämja användandet av ett bränsle så kan skatten för detta sänkas, alternativt skatten förde andra höjas. [16][17] [18]5.3 UtsläppsrätterUtsläppshandeln tillkom som ett led i EU:s mål att minska utsläppen av växthusgaser ienlighet med Kyotoprotokollet. För närvarande innefattar systemet endast utsläpp avkoldioxid med kan komma att utökas för att innefatta även andra växthusgaser.Respektive medlemsland bestämmer hur utsläppsrätterna ska fördelas bland berördaföretag inom landet. Denna s.k. fördelningsplan granskas sen av EU-kommissionen föratt fastställa om utsläppstaket för landet under aktuell handelsperiod är förenliga medunionens mål samt landets åtagande enligt Kyotoprotokollet. Bland de berördaanläggningarna finns bl.a. ”förbränningsanläggningar med en installerad kapacitet över20MW”. [16][17] [18]Under innevarande handelsperiod, 2005-2007, så skulle 95 % av utsläppsrätterna delasut gratis till de berörda företagen medan denna siffra ska minskas till 90 % under nästahandelsperiod, 2008-2012. I Sverige har/ska dock alla utsläppsrätter delas ut gratis.Varje utsläppsrätt motsvarar ett ton koldioxid och om ett företag skulle släppa ut merkoldioxid än vad utsläppsrätterna täcker så måste fler utsläppsrätter köpas påmarknaden. Tvärtom, företag som släpper ut mindre koldioxid än de har utsläppsrätterför kan välja att sälja sina utsläppsrätter till andra företag, alternativt sparautsläppsrätterna till kommande år under handelsperioden. [16][17] [18]17

5.4 ElcertifikatSystemet med elcertifikat tillkom 2003 och har som syfte att öka andelen förnyelsebarelproduktion. Till förnyelsebara energikällor räknas vind-, sol-, våg- och geotermiskenergi samt vissa typer av biobränslen och viss vattenkraft. Producenterna avförnyelsebar el tilldelas ett elcertifikat per producerad megawattimme el. Efterfrågan påelcertifikat skapas med hjälp av en kvotplikt som anger hur stor andel av förbrukad elsom ska vara från förnyelsebara källor. Kvoten varierar från år till år och är definieradfram till och med år 2030. Tabell 12 visar kvotnivåerna från införseln av systemet till år2015, nivåerna är anpassade för att skapa en växande marknad för elcertifikaten.[16][17] [18]Tabell 12. Kvotnivåer för förnyelsebar elproduktion år 2003 – 2015 [17]Table 12. Quotation levels for renewable fuels year 2003 – 2015År Kvot [%]2003 7,42004 8,12005 10,42006 12,62007 15,12008 16,32009 17,02010 17,92011 17,92012 17,92013 8,92014 9,42015 9,718

6 Termoekonomisk analysProduktionskostanden delas upp på de två produktionssätten, gasturbin/naturgas ochfastbränslepanna/pellets och inkluderar även intäkter, förutom den för produceradvärme. Eftersom dessa är tätt sammanlänkade genom Västhamnverketshybridkonfiguration måste speciell hänsyn tas vid beräkning av respektiveproduktionssätts produktionskostnad. En detaljerad beskrivning avberäkningsmetodiken finns i kapitel 6.1 och 6.2.Generellt gäller att el- och värmeproduktion är mycket mer lönsam vid eldning avpellets i fastbränslepannan än naturgas i gasturbinen. Gasturbinen är enbart lönsam dekallaste vintermånaderna då verkningsgraden är hög och elpriset likaså. För attexemplifiera detta så har produktionskostnaden beräknats, dels baserat på uppmättavärden och dels baserat på ANN prediktioner, för en bestämd tidsperiod vid varierandedriftsförhållanden (atmosfärstillstånd, fjärrvärmetemperaturer mm.). Gasturbinen kördesunder denna period på fullast och med anti icing igång. En variation av elpriset gjordesmellan 140 och 1000 kronor per megawattimme och resultatet ses i Figur 10. Övrigaindata för denna simulering finns listade i Tabell 13. Vissa intäkter är inkluderade iberäkningen av produktionskostnaderna och därför blir värdet negativt vid en visspunkt.Tack vare högre alfavärde så reagerar gasturbinprocessen snabbare på ändringar i elprisoch med givna förutsättningar finns en brytpunkt vid ca 630 kronor per megawattimmedå det blir mer lönsamt att elda naturgas i gasturbinen. Dock ska det påpekas att manbara kan utnyttja resurserna för gasturbinen fullt ut när den är i drift tillsammans medfastbränslepannan eftersom den mängd ånga som produceras i avgaspannan är för litenatt ensam expanderas i den gemensamma ångturbinen.I fallet Västhamnsverket ska dessa två produktionssätt jämföras med värmepumpen ochhetvattencentralen Israel, beskrivna i kapitel 2. Att avgöra direkt vilken eller vilkaanläggningar som ska köras, och hur de ska köras beror på många faktorer och det börpåpekas att enbart titta i ett produktionskostnadsdiagram inte är tillräckligt.Det huvudsakliga ändamålet, i detta projekt, med att beräkna produktionskostnaderna äratt kunna utvärdera vad ickeoptimal drift innebär ekonomiskt och på så sätt kunnaoptimera driften. Ett exempel kan vara när en anläggning är degraderad och intelevererar förväntad eleffekt men fortfarande förbrukar lika mycket bränsle. Då skulledet uppstå en skillnad i produktionskostnaden beräknad på uppmätt data jämförtproduktionskostnaden beräknad på predikterad data, som anger odegraderad prestanda.Genom att ha ett ekonomiskt mått på denna skillnad kan drift (och underhåll) lättareoptimeras.19

Tabell 13. Indata vid beräkning av produktionskostnadTable 13. Inputs for calculation of production costIndataGaspris 185 kr/MWhGasnät 35 kr/MWhElnät 13 kr/MWhKoldioxidskatt 1994 kr/kNm3Energiskatt 243 kr/kNm3Utsläppsrätter 200 kr/tonPelletspris 225 kr/MWhElcertifikat 170 kr/MWhProduktionskostnad[kr/MWhv]600Prod kostnad GTProd kostnad fastbränslepannaProd kostnad GT ANNProd kostnad fastbränslepanna ANN4002000100 200 300 400 500 600 700 800 900 1000-200-400-600Elpris [kr/MWh]Figur 10. Produktionskostnad, gasturbin och fastbränslepannaFigure 10. Production cost, gas turbine and the solid fuel boiler6.1 Gasturbin, SGT800För beräkning av produktionskostnaden så används fyra huvudposter och några mindreposter. De fyra huvudposterna är bränslekostnad, koldioxidskatt, kostnad förutsläppsrätter samt intäkter för såld el. De mindre posterna är underhållskostnader samtskattekostnader för egenförbrukad el till elproduktion.Kproduktion⎡⎢⎣krMWhvä⎤⎥ = K⎦NG+ Kskatt+ Kutsläppsrätter− Iel+ Kunderhåll+ Kskatt egenförbr.Vid beräkning av produktionskostnaden för el producerad med gasturbinen så användsett antal parametrar som finns både uppmätta som predikterade. Eftersom dessa20

parametrar finns både uppmätta som predikterade kan en jämförelse göras av vadproduktionen borde kosta och vad den faktiskt kostar. Exempel på parametrar somanvänds är eleffekt för gas- och ångturbin, bränsleflöde och värmeeffekten i bådefjärrvärmeekonomiser och fjärrvärmekondensorer.6.1.1 BränslekostnadBränslekostnaden beräknas med hjälp av bränsleflödet samt aktuellt gaspris ochnätavgift. Produkten av dessa divideras med den av gasturbinen produceradevärmeeffekten, för att få kostnaden i enheten kronor per producerad megawattimmevärme. Gasturbinen genererar värmeeffekt framförallt genom fjärrvärmeekonomisernplacerad i avgaspannan men även genom fjärrvärmekondensorerna eftersom en del avångflödet till ångturbinen kommer från avgaspannan. Andelen värmeeffekt, produceradi fjärrvärmekondensorerna, som härrör från gasturbinen beräknas med enmassflödeskvot.KNG⎡⎢⎣krMWhvä⎤⎥ =⎦Q&ecom&NG⎡MJ⎤ ⎛ ⎡ kr ⎤ ⎡⎢prisNGpriss ⎥⋅ ⎜⎢ MWh⎥+gasnät ⎢⎣ ⎦ ⎝ ⎣ ⎦ ⎣⎛⎡kg⎤ ⎞⎜ m&S , HRSG ⎢⎟s ⎥⎣ ⎦vä⎜ ⎡kg⎤ ⎡kg⎤ ⎟⎜ m&S HRSG ⎢+ m&,S Panna ⎟⎝ s ⎥ , ⎢ s ⎥⎣ ⎦ ⎣ ⎦ ⎠krMWh[ MW ] +⎜⎟⋅ Q&[ MW ]6.1.2 Kostnad för koldioxidskattSom nämndes i kapitel 5.1 så belastas 21 % av värmeproduktionen i kraftvärmeverkmed koldioxidskatt. Genom att använda alfavärdet (kvoten mellan producerad el ochproducerad värme) kan den del av bränsleflödet som åtgår för värmeproduktionenberäknas. Detta multipliceras med aktuell koldioxidskatt för naturgas, som är detprimära bränslet i gasturbinen. Precis som vid beräkning av bränslekostnaden sådivideras allt med den av gasturbinen producerade värmeeffekten.Kskatt⎡ kr⎢⎣MWhvä⎤⎥ = 0.21⋅⎦⎛⎜⎡ kWh ⎤H ⋅⎜u ⎢⎣⎥⎦⎜Q&3Nm⎜⎝eco⎛ 1 ⎞⎜ ⎟⋅m&⎝1+α ⎠⎛⎜kond⎤⎞⎥⎟⎦⎠[ MW ] + ⎜⎟⋅Q&[ MW ]väNG⎜⎜ m&⎝⎡MJ⎤ ⎡⎢ ⎥⋅ skattCO2⎣ s ⎦⎢⎣⎡kg⎤m&S , HRSG ⎢⎣ s ⎥⎦⎡kg⎤HRSG ⎢ ⎥+ m&,S ,⎣ s ⎦SPannaväkrkNm3⎤⎥⎦⎞⎟⎡kg⎤ ⎟⎢ ⎥ ⎟⎣ s ⎦ ⎠För att beräkna alfavärdet så divideras den av gasturbinen producerade eleffekten medden av gasturbinen producerade värmeeffekten. Eleffekten är summan avgasturbineffekten och en andel eleffekt från ångturbinen. Värmeeffekten kommerframförallt från fjärrvärmeekonomisern i avgaspannan men även frånfjärrvärmekondensorerna kopplade till avtappningar i ångturbinen.kondvä⎞⎟⎟⎟⎟⎠21

α =Q&PecoGT[ MW ] + P [ MW ][ MW ] +⎜⎟⋅ Q&[ MW ]vä⎛⎜ST⎜⎜ m&⎝S , HRSG⎛⎡kg⎤⎜ m&S,HRSG ⎢ s ⎥⋅⎜⎣ ⎦⎜ ⎡kg⎤⎜ m&S HRSGm&, ⎢ +⎝ ⎣ s ⎥⎦⎡kg⎤ ⎞m&S , HRSG ⎢⎟⎣ s ⎥⎦⎡kg⎤ ⎡kg⎤ ⎟⎢+ m&S Panna ⎟⎣ s ⎥ , ⎢⎦ ⎣ s ⎥⎦ ⎠S , Panna6.1.3 Kostnad för utsläppsrätter⎞⎟⎟⎡kg⎤ ⎟⎢ ⎟⎣ s ⎥⎦ ⎠kondKostnaden för utsläppsrätter beräknas genom att massflödet naturgas multipliceras meden emissionsfaktor, som anger hur mycket koldioxid som bildas när naturgas förbränns,samt aktuellt pris för en utsläppsrätt.Kutsläppsrätter⎡ kr⎢⎣MWhväm&⎤⎥ =⎦ ⎛⎜⎜⎜Q&⎜⎝6.1.4 Intäkter för såld elecoNG⎡GJ⎤⎡ ton ⎤⎢ ⎥⋅ emissionsfaktor⎢ ⎥⋅ pris⎣ s ⎦⎣GWh⎦⎛⎡kg⎤ ⎞⎜ m&S , HRSG ⎢ ⎥⎟⎣ s ⎦vä⎜ ⎡kg⎤ ⎡kg⎤ ⎟⎜ m&S HRSG ⎢ ⎥+ m&,S , Panna ⎢ ⎥ ⎟⎝ ⎣ s ⎦ ⎣ s ⎦ ⎠[ MW ] +⎜⎟⋅Q&[ MW ]väutsläppsrätterDen enda positiva posten i produktionskostnadsberäkningarna är den för såld el. Denproducerade eleffekten multipliceras med aktuellt el- och elnätspris och därefter med0,97 eftersom man räknar med en egenförbrukning på 3 %.Iel⎡⎢⎣krMWhvä⎛ ⎡ kr ⎤⎜ prisel⎢+ pris⎝ ⎣MWh⎥⎦⎤⎥ = 0.97 ⋅⎦Q&6.1.5 Övriga posterecoelnät⎡⎢⎣kond⎡⎢⎣[ MW ] + P [ MW ]krton[ MW ] + ⎜⎣ ⎦ ⎟⋅Q&[ MW ]vä⎛⎜⎤⎞⎜⎥⎟ ⋅ PGTST⎦⎠⎜⎜⎝⎛kg⎜ m&⎡ ⎤S , HRSG ⎢ s ⎥⎜ kg⎜ m&⎡ ⎤S HRSG ⎢+ m&,⎝ ⎣ s ⎥⎦krMWhS , Panna⎡kg⎤ ⎟⎢ s ⎥ ⎟⎣ ⎦ ⎠⎤⎥⎦vä⎛⎜⋅⎜⎜⎜ m&⎝⎞⎟⎞⎟⎟⎟⎟⎠S , HRSGkondkgm&⎡ ⎤S , HRSG ⎢⎣ s ⎥⎦⎡kg⎤⎢+ m&⎣ s ⎥⎦väS , Panna⎞⎞⎟⎟⎟⎟⎡kg⎤ ⎟⎟⎢ ⎟s ⎥ ⎟⎣ ⎦ ⎠⎠Underhållskostnaden för värmeproduktionen är uppskattad (av medarbetare påVästhamnsverket) till 4 kronor per megawattimme värme och för elproduktion till 4kronor gånger alfa per megawattimme värme.⎡ kr ⎤ ⎡ kr ⎤ ⎡ krKunderhåll⎢ ⎥ = 4 ⎢ ⎥ + 4⎢⎣MWhvä⎦ ⎣MWhvä⎦ ⎣MWhvä⎤⎥ ⋅α⎦Den kanske mest komplicerade posten av alla är skattekostanden för egenförbrukad elför elproduktion där 1,5 % av den förbrukade naturgasen som används för elproduktionbeskattas med full energi- och koldioxidskatt.22

Kskatt egenförbr.⎡⎢⎣krMWhvä⎤⎥ = 0.015⋅⎦6.2 Fastbränslepanna⎛ α ⎞⎜ ⎟ ⋅ m&⎝1+α ⎠⎛⎜⎡ kWh ⎤ ⎜Hu ⎢ ⎥⋅⎣ ⎦⎜Q&3 ecoNm⎜⎝NG⎡MJ⎤ ⎛⎢ ⎥⋅ ⎜ skatt⎣ s ⎦ ⎝⎛⎜[ MW ] +⎜⎟⋅Q&[ MW ]vä⎜⎜ m&⎝CO2S , HRSG⎡⎢⎣krkNm3⎤⎥+ skatt⎦⎡kg⎤m&S , HRSG ⎢⎣ s ⎥⎦⎡kg⎤⎢ ⎥+ m&S ,⎣ s ⎦Pannaenergi⎞⎟⎡kg⎤ ⎟⎢ ⎥ ⎟⎣ s ⎦ ⎠⎡ kr⎢⎣kNmFör beräkning av produktionskostanden så används här tre huvudposter och en mindrepost. De tre huvudposterna är bränslekostnad, intäkter för såld el samt intäkter förelcertifikat, den mindre posten står underhållskostnaden för. Kostnaden beräknas ienheten kronor per megawattimme värme.3kond⎤⎞⎥⎟⎦⎠vä⎞⎟⎟⎟⎟⎠⎡ kr ⎤Kproduktion ⎢ ⎥ = Kpellets− Iel− Ielcert.+ K⎣MWhvä⎦underhållPå samma sätt som för gasturbinen baseras beräkningarna på ett antal parametrar somfinns både uppmätta och predikterade vilket möjliggör en jämförelse av aktuellproduktionskostnad med ”optimal” produktionskostnad. Några parametrar som användsär massflöde pellets, värmeeffekt i fjärrvärmekondensorerna och eleffekt frånångturbinen.6.2.1 BränslekostnadMassflödet pellets multipliceras med aktuellt pris samt divideras med den avfastbränslepannan genererade värmeeffekten, för att få kostnaden i enheten kronor permegawattimme värme. Nästan all värme genereras i fjärrvärmekondensorerna sommatas med ånga via avtappningar från ångturbinen men det finns även en liten (ca 6MW) fjärrvärmeekonomiser i rökgasstråket i pannan.Kpellets⎡⎢⎣krMWhvä⎤⎥ =⎦Q&kondm&[ MW ] ⋅⎜⎟+ Q&[ MW ]väpellets6.2.2 Intäkter för såld el⎡kg⎤ ⎡MJ⎤⎢⋅ Hupriss⎢kg⎥⎣⎥⎦⋅⎣ ⎦⎛⎡kg⎤⎜ m&S , Panna ⎢⎣ s ⎥⎦⎜ ⎡kg⎤⎜ m&S Panna ⎢+ m&,⎝ s ⎥⎣ ⎦S , HRSGpellets⎡kg⎤ ⎟⎢ ⎟s ⎥⎣ ⎦ ⎠El genereras bara på ett ställe och det är i generatorn kopplad till ångturbinen. Dennaeffekt multipliceras med en kvot, som anger hur mycket av ångan som kommer frånfastbränslepannan, samt med aktuellt el- och nätpris. Egenförbrukningen är högre än förgasturbinen och uppskattas till 10 %, varför allt multipliceras med 0,9.krMWh⎡⎢⎣⎞⎟⎤⎥⎦ecovä23

Iel⎡⎢⎣krMWhvä⎛ ⎡ kr ⎤ ⎡⎜ prisel⎢+ priselnät⎝ ⎣MWh⎥⎦⎢⎣⎤⎥ = 0.90⋅⎦⎛⎜Q&kond vä⎜⎜ m&⎝6.2.3 Intäkter för elcertifikatkrMWh[ MW ][ MW ] ⋅⎜⎣ ⎦ ⎟ + Q&[ MW ]S,Panna⎤⎞⎥⎟⋅ P⎦⎠STkgm&⎡ ⎤S , Panna ⎢ s ⎥⎡kg⎤⎢+ m&⎣ s ⎥⎦S,HRSG⎛⎜⋅⎜⎜⎜ m&⎝S , Panna⎞⎟⎡kg⎤ ⎟⎢ s ⎥ ⎟⎣ ⎦ ⎠kgm&⎡ ⎤S , Panna ⎢⎣ s ⎥⎦⎡kg⎤⎢+ m&⎣ s ⎥⎦ecoS , HRSGvä⎞⎟⎟⎡kg⎤ ⎟⎢ ⎟⎣ s ⎥⎦ ⎠Hur många elcertifikat som tilldelas baseras på den mängd el som produceras medförnyelsebart bränsle (pellets) varför den andel ånga som kommer från avgaspannan intekan tas med i beräkningarna.Ielcert.⎡⎢⎣krMWhvä⎤⎥ =⎦prisQ&kondelcert.⎡⎢⎣krMWh[ MW ][ MW ] ⋅⎜⎟+ Q&[ MW ]vä⎛⎜⎤⎥⋅ P⎦⎜⎜ m&⎝STS,Panna⎛⎜⋅⎜⎜⎜ m&⎝⎡kg⎤m&S , Panna ⎢⎣ s ⎥⎦⎡kg⎤⎢+ m&s ⎥⎣ ⎦S , PannaS , HRSG⎡kg⎤m&S , Panna ⎢ s ⎥⎣ ⎦⎡kg⎤⎢ + m&s ⎥⎣ ⎦⎞⎟⎡kg⎤ ⎟⎢ ⎟s ⎥⎣ ⎦ ⎠S , HRSGeco⎞⎟⎟⎡kg⎤ ⎟⎢ ⎟s ⎥⎣ ⎦ ⎠vä6.2.4 Övriga posterUnderhållskostnaden för värmeproduktionen är uppskattad till 8 kronor permegawattimme värme och för elproduktion till 8 kronor gånger alfa per megawattimmevärme.⎡ kr ⎤ ⎡ kr ⎤ ⎡ krKunderhåll⎢ ⎥ = 8 ⎢ ⎥ + 8⎢⎣MWhvä⎦ ⎣MWhvä⎦ ⎣MWhDär alfa beräknas enligtα =Q&kondPST[ MW ]vä⎤⎥ ⋅α⎦[ MW ] ⋅⎜⎟+ Q&[ MW ]vä⎛⎡kg⎤ ⎞⎜ m&S , Panna ⎢ s ⎥⎟⋅⎜⎣ ⎦ ⎟⎜ ⎡kg⎤ ⎡kg⎤ ⎟⎜ m&S Pannam&, ⎢S HRSGs ⎥+, ⎢ s ⎥ ⎟⎝ ⎣ ⎦ ⎣ ⎦ ⎠⎛⎡kg⎤ ⎞⎜ m&S , Panna ⎢⎟⎣ s ⎥⎦⎜eco⎡kg⎤ ⎡kg⎤ ⎟⎜ m&S Panna ⎢+ m&,S HRSG ⎟⎝ ⎣ s ⎥ ,⎦⎢ s ⎥⎣ ⎦ ⎠vä24

Vid degradering kommer trenden för den ISO korrigerade eleffekten att varanedåtgående.[MW]46Aktuell effektISO korrigerad effekt(-4,9°C, 1,045 bar)45(-4°C, 1,035 bar)(-3°C, 1,027 bar)(-2°C, 1,027 bar)(0°C, 1,030 bar)(1°C, 1,035 bar)44(-1°C, 1,020 bar)(3,5°C, 1,036 bar)(2,1°C, 1,028 bar)(3°C, 1,026 bar)434241400 1 2 3 4 5 6 7 8 9 10 11Figur 12. Eleffekt korrigerad till ISO standard (15°C och 1,013 bar)Figure 12. ISO corrected electric power (15°C and 1,013 bar)Baserat på den ISO korrigerade eleffekten beräknas en degraderingstrend med linjärregression under antagandet att degraderingen är just linjär i tiden. Med linjärextrapolering fås därefter eleffekten vid önskad tidpunkt i framtiden.Tillvägagångssättet illustreras i Figur 13. Eleffekten kan sen konverteras tillbaks frånISO standard till gällande atmosfärstillstånd.27

[MW]ISO korrigerad eleffekt Degraderingstrend Extrapolering42,0041,5041,0040,5040,0039,5039,0038,50Nutid38,002007-09-302007-10-042007-10-082007-10-122007-10-162007-10-202007-10-242007-10-282007-11-012007-11-052007-11-092007-11-13Valfri tidsenhet [x]Figur 13. Bestämning av degraderingstrendFigure 13. Determination of degradation trend7.2 PrognostiseringMed mått på hur både en odegraderad maskin och en degraderad maskin presterar kanskillnaden i nutid enkelt beräknas eftersom aktuella förutsättningar är kända. Skaframtida skillnader beräknas måste prediktioner baseras på antingen väderprognosereller väderstatistik samtidigt som den extrapolerade ISO effekten måste korrigeras meddesamma. För den närmsta framtiden kan det antas att prognoser finns tillgängliga,medan beräkningar längre fram i tiden förslagsvis baseras på statistiska värden. För attsedan värdera skillnaden ekonomiskt behövs även prognoser för elprisutvecklingen dekommande dagarna. Punktlistan nedan beskriver nödvändiga uppgifter för enoptimering av kompressortvättstillfällen.• Elprisprognos för den närmsta framtiden• Medelvärde elpris, baserat på tillgänglig elprisprognos• Väderprognos för den närmsta framtiden• Väderstatistik med dygnsmedeltemperaturer för aktuella perioder• Prisuppgifter på kompressortvätt• Tidsåtgång för kompressortvättMed predikterad och framräknad framtida gasturbinprestanda, för odegraderad samtdegraderad maskin, tillsammans med en elprisprognos kan kostnaden förkompressortvätt samt intäktsökningen för återhämtat effekttapp beräknas. Metodikengår ut på att beräkna, för alla dagar som innefattas av prognoserna, hur många dagar dettar att tjäna igen en kompressortvätt med genererad intäktsökning. Prisuppgifter på en28

kompressortvätt, samt den tid det tar att utföra kompressortvätten, måste självklartockså vägas in i ekvationen. En rimlig uppskattning är att väder- och elprisprognosernasträcker sig sju dagar framåt (se Tabell 15 där dag ett är ”imorgon”). För de dagarväderprognos finns tillgänglig baseras eleffekts prediktioner samt extrapolerade värdenpå dessa, längre fram övergår eleffekten till att baseras på statistiska värden. Det sammagäller för intäktsberäkningarna som först baseras på elprisprognosen för att sedan gåöver till att baseras på ett medelvärde av prognosen.Tabell 15. Prognoser och statistikTable 15. Forecasts and statisticsDag Elprisprognos Väderprognos Medelvärde elpris Väderstatistik1 x x2 x x3 x x4 x x5 x x6 x x7 x x8,9,.. x xEftersom bränsleförbrukningen är antagen oberoende av degraderingsgraden så kommerden vara samma för en odegraderad maskin som en degraderad maskin. ANN kan därföranvändas för att prediktera bränsleförbrukningen för olika tidpunkter baserat påväderprognosen. En annan fördel med detta antagande blir att enbart hänsyn tillskillnader i eleffekt behöver tas för att beräkna inkomstökningen vid kompressortvätteftersom kostnaderna förblir desamma. För dag ett till sju gäller att lösa ut x, somrepresenterar hur många dagar det tar att tjäna igen en kompressortvätt, ur ekvationennedan. Index i beskriver aktuell dag, där dag ett är dagen för kompressortvätt. Denförsta posten är den fasta kostnaden för utförandet av kompressortvätt, andra postenintäktsbortfallet under kompressortvätten och tredje posten kostnadsbesparingen underkompressortvätten. Den sista posten anger, per dag, hur stor intäktsökning somgenereras av en kompressortvätt från dagen efter tvätten och framåt.extrapoleradANN0 = −Ktvätt− ( P ⋅ttvätt⋅ elpris ) + ( m&11 NG,1⋅ttvätt⋅ ( prisNG+ skattCO+ prisutsläppsrätter)2xANNextrapolerad∑ ( ( P − kdegraderingstrend⋅i)− P ) ⋅ elprisi⋅ 24)iii=2Konstanten k, i ekvationen, används för att korrigera ANN prediktioner enligtframräknad degraderingstrend. Hela metoden illustreras i Figur 14 där x (samma som iekvationen) representerar den dag då intäktsökningen är lika stor som intäktsbortfallet,minus utgiftsbesparingarna, under kompressortvätten.+29

EleffektMaxeffektIntäktsökningProduktionsbortfallTvättstartTvättstoppxTidFigur 14. Intäktsökning och produktionsbortfall vid kompressortvättFigure 14. Increase of income and production loss associated with a compressor washResultatet av optimeringsberäkningarna visas i ett stapeldiagram (se exempel i Figur15) som anger, för respektive tvättdag, hur många dagar det tar att tjäna in enkompressortvätt. Optimeringsberäkningar utförs en gång dagligen varpåstapeldiagrammet uppdateras. Eftersom beräkningarna i hög grad beror av prognoser såkan resultatet endast anses som en fingervisning som pekar på vilken eller vilka dagarsom kan vara mer fördelaktiga för kompressortvätt än andra.Dagar förIntjäning37412623171520Dag 1 Dag 2 Dag 3 Dag 4 Dag 5Dag 6Dag 7TvättdagFigur 15. Antal dagar för intjäning av kompressortvätt (exempel)Figure 15. Number of days to break even after compressor wash (example)En faktor som inte togs med i beräkningarna är degradering som inte är återhämtbargenom kompressortvätt, d.v.s. komponentförslitning. För att ta hänsyn till denna kanantigen en trend beräknas även här men enklare är att efter varje tvätt korrigera30

prediktionerna för maximalt effektuttag. Andra faktorer som bör övervägas vidbedömning om en kompressortvätt ska utföras är helgdagars inverkan, hur många dagari förväg en tvätt måste beställas, samt om det finns andra planerade driftstopp då enkompressortvätt kan utföras.31

8 Integrering och användning av onlinesystem påVästhamnsverketANN modellerna finns integrerade i Excel som funktioner bestående av visual basickod. Aktuell (eller historisk) mätdata hämtas från Västhamnsverket databasserver,PGIM (Power Generation Information Manager), och används som indata till ANNmodellerna varpå utdata från ANN modellerna återlagras i ”soft-points” på PGIMservern. Tack vare återlagring av prediktioner i databasen, tillsammans med driftdata, såfinns alltid historiska prediktioner tillgängliga. Samlingsnamn för det system somanvänds på Västhamnsverket för kontroll, övervakning, datalagring och analys heter800xA och beskrivs i kapitel 8.1.8.1 System 800xA800xA består av datorer och PLC 1 :er som kommunicerar över olika (ethernetbaserade)nätverk, vilket förenklat illustreras i Figur 16. Arbetsplatserna kopplade till klient- ochservernätverket representerar datorer som används i kontrollrummet, av driftledningeneller i instrumentverkstaden. En PGIM server tar emot data från anläggningen ochlagrar signalbeskrivningar, aktuella och historiska värden samt larm och händelser i sjuår. Genom 800xA användargränssnittet har användaren tillgång till processdata frånanläggningen, både aktuell och historisk, samt funktioner för att utvärderaanläggningens status. [19]Figur 16. Konceptuell nätverkskommunikationsuppbyggnad i 800xA [19]Figure 16. Conceptual structure of 800xA communication network1 Programmable Logic Controller32

ANN modellerna är installerade på en PGIM server och körs kontinuerligt i bakgrundenför att hela tiden generera prediktioner för återlagring. Eftersom alla prediktioner lagraspå PGIM servern är de direkt tillgängliga från vilken arbetsstation som helst, delsgenom 800xAs användargränssnitt, men även genom det framtagna Excelanvändargränssnittet som beskrivs i kapitel 8.2.8.2 Användargränssnitt ExcelAnvändargränssnittet i Excel är framtaget för att vara lättöverskådligt och lättanvänt.Det är uppdelat på fem flikar i ett Exceldokument. Den första fliken visar en översiktöver hela hybridanläggningen med huvudparametrar för respektive delsystem samt enekonomidel med produktionskostnaden för de två produktionssätten, gasturbin ochfastbränslepanna. Här finns också information om indata till systemet, bådetermodynamisk och ekonomisk. Övriga flikar innehåller information om respektivedelsystem, d.v.s. gasturbin, ångturbin, avgaspanna och fastbränslepanna. ANNprediktionerna presenteras hela tiden under sin uppmätta motsvarighet vilket möjliggöranalys av anläggningsprestanda. Den första fliken, kallad Översikt, visas i Figur 17 ochär en ”screenshot” direkt från en arbetsstation på Västhamnsverket (vilket är generelltför alla bilder i kapitel 8.2). Generellt i kapitel 8.2 gäller även att bilderna är genereradevid användning av historisk driftdata eftersom anläggningen inte var i drift vidinsamlingstillfället (september 2007). Dock bör påpekas att det inte är någon skillnadvid användning av historisk data jämfört med aktuell data då båda hämtas från PGIMservern.Figur 17. Användargrässnitt i Excel, ÖversiktFigure 17. User Interface in Excel, Main View33

Uppdateringfrekvensen för användargränssnittet kan anpassas efter användarens behovoch vid varje uppdateringstillfälle hämtas senaste data från PGIM servern. Inbyggdafunktioner för varning och larm vid eventuella avvikelser, samt ett verktyg förparameteranalys finns integrerat i användargränssnittet och beskrivs i kapitel 8.2.5 och8.2.6.Ekonomisk indata matas in för hand av användaren, förutom elpris som uppdaterasautomatiskt med data från Nordpool. Av de ekonomiska indata är elpriset den medsnabbast svängningar och anses därför inte lämplig att matas in för hand. Skatter,bränslepriser, nätkostnader, elcertifikat och utsläppsrätter förhåller sig relativt konstantoch kräver därmed ingen högfrekvent uppdatering av användaren.Användningsområdet för detta onlineverktyg är framförallt konditionsövervakning,termoekonomisk analys samt optimering av kompressortvättstillfälle 2 . Medkonditionsövervakning menas att driftdata hela tiden jämförs med baseline baseradeANN prediktioner för att avgöra (och varna) om anläggningen är degraderad eller vidett eventuellt fel. Så länge inga varningar eller larm förekommer så kan anläggningenantas vara odegraderad. Med den termoekonomiska analysen, där kostnader och intäkterberäknas, kan ickeoptimal drift utvärderas och ge direkt mått på förlorade intäkter ellerkostnadsökning för produktionen. Alla ekvationer som används för dentermoekonomiska analysen beskrivs i kapitel 6.8.2.1 Gasturbin, SGT800Den del av användargränssnittet som representerar gasturbinen finns under en separatflik i Excel, se Figur 18, med samma in- och utdata som presenterades i Tabell 2.Utöver dessa utdata så beräknas också elverkningsgraden, genom eleffekten ochbränsleflödet, samt alfa enligt ekvation i kapitel 6.1.2. Även dessa beräknade parametrarfinns i dubbel uppsättning, där den översta är beräknad på uppmätt data och den undrepå prediktioner.Figur 18. Användargränssnitt i Excel, GasturbinFigure 18. User interface in Excel, Gas turbine2 I skrivande stund är inte modulen för optimering av kompressortvätt integrerad i användargränssnittet34

8.2.2 Ångturbin, ATMPå samma sätt som gasturbinen är även ångturbinen representerad med en egen flik iExcel (se Figur 19). In- och utdata är samma som presenterats tidigare i Tabell 4.Figur 19. Användargränssnitt i Excel, ÅngturbinFigure 19. User interface in Excel, Steam turbine8.2.3 AvgaspannaANN modellen för avgaspannan beskrevs i kapitel 4.3 och samma in- och utdataparametrar återkommer i användargränssnittet enligt Figur 20. De indataparametrar somär gemensamma med gasturbinmodellen har dock utelämnats här.Figur 20. Användargränssnitt i Excel, Avgaspanna35

Figure 20. User interface in Excel, HRSG8.2.4 FastbränslepannaPå samma sätt, som de andra delsystemen, presenteras även fastbränslepannan under enseparat Excel flik enligt Figur 21. Alfa beräknas enligt ekvation i kapitel 6.2.4.Figur 21. Användargränssnitt i Excel, fastbränslepannaFigure 21. User interface in Excel, solid fuel boiler8.2.5 Varning/Larm vid avvikelseFör att göra användaren uppmärksammad på eventuella avvikelser mellan uppmätt dataoch predikterad så finns en varnings- och larmindikator, markerad med en röd cirkel iFigur 22. Varnings- och larmgränser är individuellt fördefinierade och bestäms utifrånrespektive parameters beskaffenheter, t.ex. spelar mät- och prediktionsnoggrannhet inmen även användarens önskemål. Varje gång ny data hämtas från PGIM servern, och nyutdata predikteras av ANN modellerna, så utförs en automatisk jämförelse av respektiveparameters uppmätta och predikterade värde. Om den aktuella differensen för enparameter överskrider sin larm- eller varningsgräns så meddelas användaren.För att generera Figur 22 (samt Figur 23 och Figur 24) sänktes varningsgränsen förgasturbinparametrarna till 0,5 % och larmgränsen till 1 %. För att sedan lokaliseravilken/vilka parametrar som avviker så används gul färg för varning respektive röd färgför larm. I Figur 23 visas två varningar, en för massflöde naturgas samt en förverkningsgraden. Verkningsgraden är en direkt funktion av naturgasflödet och det36

förefaller sig naturligt att om en varning uppstår för den ena så är chansen stor att detäven gör så för den andra. I Figur 24 har varningen för naturgasflödet övergått i ett larmsamt ytterligare en varning, för alfa, har uppkommit.Figur 22. Översikt, två varningarFigure 22. Main view, two warningsFigur 23. Gasturbin, två varningarFigure 23. Gas turbine, two warnings37

Figur 24. Gasturbin, ett larm och två varningarFigure 24. Gas turbine, one alarm and two warnings8.2.6 ParameteranalysVerktyget för parameteranalys är utvecklat tillsammans med medarbetare påVästhamnsverket och är sofistikerat på det viset att det låter användaren, med någraenkla klick, välja vilken parameter som önskas analyseras samt under vilken tidsperioddetta ska göras. Vid tryck på knappen ”Skapa kurva”, inringat i rött, kommer fönstret”Välj signal för trend” upp där de olika valen görs (se Figur 25).Figur 25. ParameteranalysFigure 25. Parameter analysisÖnskad parameter väljs i en rullgardinsmeny och för demonstrationssyfte väljseleffekten från gasturbinen samt en period på ungefär en vecka. En plot genereras38

automatiskt, se Figur 26, och visar uppmätt data tillsammans med predikterad för valdperiod och parameter. Denna funktion möjliggörs tack vare att all historisk data,uppmätt och predikterad, finns lagrad på PGIM servern och är tillgänglig från allaarbetsstationer kopplade till klient- och servernätverket.Figur 26. Trend, uppmätt och predikteratFigure 26. Trend, measured and predicted8.3 Onlinetest av gasturbin ANNDen 17e september 2007 testkördes gasturbinen efter en stor service med bl.a.brännkammarbyte. Detta gav upphov till möjligheten att testa/utvärdera ANN modellenmed helt ny driftdata, genererad långt efter träningdata (februari 2006).Atmosfärstemperaturen på 16°C är långt utanför det normala driftsfönstret, men ocksålångt utanför träningsintervallet på -5 till +5 °C vilket även testar ANN modellensextrapoleringsförmåga. Resultatet syns i Figur 27 och visar att ANN modellen, trotssvåra förutsättningar, predikterar utdata med relativt bra resultat. De två parametrar somhar larm (röda) får bortses ifrån eftersom ingen signal erhölls för turbinens massflödesamtidigt som ingen värmeproduktion förekom. Varningsgränsen var satt till 2 % ochlarmgränsen till 4 % vilket betyder att alla parametrar utom ledskenornas lägepredikteras med ett fel på mindre än 2 %. Anledningen till att just denna parameterpredikteras med lite högre fel än resterande kan vara dess speciella karakteristik, d.v.s.konstant vid fullast oavsett atmosfärstillstånd. Om träningsdata hade innefattattemperaturer i detta intervall så hade problemet undvikits men eftersom gasturbinensdriftfönster begränsas långt innan så höga temperaturer så undviks problemet oavsett.Intressant att notera är även att eleffekten predikteras lite lägre än den verkligasamtidigt som turbinutloppstemperaturen predikteras lite högre. Detta kan tolkas som39

att Siemens lyckades med sin service och mer av den eldade effekten i brännkammarenomvandlas till eleffekt jämfört före service.Figur 27. Onlinetest av gasturbin ANNFigure 27. Online test of the gas turbine ANNSlutsatsen av testet bör bli att ANN modellens extrapoleringsförmåga är mycket bramen omträning eller kalibrering kan behövas eftersom gasturbinprestandan förmodligenhar förändrats efter service. Ett beslut om omträning eller kalibrering bör dock baseraspå en jämförelse av prediktioner och driftdata inom det normala driftsfönstret. Vidarebör nämnas att integrering av en nytränad ANN modell med samma in- ochutdatastruktur som befintlig är ett mycket enkelt ingrepp, det som behövs är ny driftdatatill omträning.40

9 ResultatredovisningNoggrannheten för de, sedan förra projektet, uppdaterade ANN modellerna redovisas iTabell 16 och Tabell 17.Tabell 16. Felfördelning vid prediktion av utdata med ångturbin ANNTable 16. Error distribution for prediction of outputs with the steam turbine ANNFelfördelning 4%Eleffekt 2795 94 10 1Temperatur matarvatten efter HTFV 2900 0 0 0Effekt fjärrvärmekondensorer 1655 736 354 155Tabell 17. Felfördelning vid prediktion av utdata med fastbränslepanna ANNTable 17. Error distribution for prediction of outputs with the solid fuel boiler ANNFelfördelning 4%Massflöde ånga 2628 229 25 18Temperatur ånga 2332 517 51 0Massflöde pellets 2462 400 30 8Värmeeffekt rökgasekonomiser 157 168 389 2186Övriga resultat:• ANN modeller installerade på PGIM server i Västhamnsverkets datasystem• Användargränssnitt i Excel utvecklat, implementerat och testat påVästhamnsverket• Ekonomiska beräkningar kopplade till ANN modeller för termoekonomiskanalys/optimering• Varnings- och larmindikator integrerad i användargränssnittet• Verktyg för parameteranalys integrerad i användargränssnittet• Metod för optimering av kompresstvättsintervall framtagen41

10 ResultatanalysANN modellerna har uppdaterats med avseende på utdata för att inkludera parametrarsom är önskvärda vid en termoekonomisk analys. Detta gjordes framgångfullt och allaparametrar utom en, värmeeffekt rökgasekonomiser, predikteras med hög noggrannhet.Denna parameter är dock förhållandevis betydelselös, på grund av sin ringa storlekjämfört med värmeeffekten i fjärrvärmekondensorerna, och påverkar därför inte denefterföljande termoekonomiska analysen.Arbetet med integrering av ANN modeller i Västhamnsverkets datasystem fortlöptesmärtfritt. Användargränssnittet i Excel, som är framtaget tillsammans med medarbetarepå Västhamnsverket, är både implementerat och testat med bra resultat. De, ianvändargränssnittet, inbyggda funktionerna har visat sig mycket användbara samtidigtsom de är enkla att använda.De ekonomiska beräkningarna, för den ekonomiska analysen/driftoptimeringen, utförsmed bra resultat mycket tack vare ANN modellernas höga prediktionsnoggrannhet.Metoden för ekonomisk optimering av kompressortvättstillfällen är i skrivande stundinte implementerad i användargränssnittet och därför heller inte testad. En faktor somkommer att försvåra utvärderingen av denna metod är de få drifttimmar, och därmedmåttliga försmutsning, gasturbinen på Västhamnverket får varje år. Användning avverktyget kräver också att både väder- och elprisprognoser finns tillgängliga iVästhamnsverkets datasystem.42

11 SlutsatserResultaten visar bland annat att:• ANN modellering av hybridanläggningens delsystem kan göras med högnoggrannhet.• ANN modeller kan implementeras i värmekraftverkets datasystem för att onlineprediktera anläggningens prestanda.• Prediktioner från ANN modellerna finns tillgängliga genom alla arbetsstationerkopplade till PGIM servern via antingen Excel användargränssnittet eller 800xAanvändargränssnittet.• Användargrässnittet i Excel kan användas för tillståndsövervakning ochtermoekonomisk optimering.Framtagna ANN modeller är specialutvecklade för hybridanläggningen vidVästhamnsverket och kan därför inte användas på anda kraftvärmeverk. Däremot ärmetoden/arbetsgången för framtagning av ANN modeller, användargrässnitt mm.generaliserbar.43

12 DiskussionAtt använda sig av ANN modellering i kraftverkssammanhang är en relativt nyföreteelse. ANN ”tävlar” mot traditionella ekvationsbaserade program/system baseradepå bl.a. värme- och massbalanser. Fördelarna med ANN är bland annat att:• Samband som är svåra att uttrycka fysikaliskt modelleras i ANN genomdetektering av statistiska samband mellan in- och utdata.• Modelleringsarbetet går relativt snabbt, förutsatt att detaljerad kunskap omsystemets funktionssätt finns hos modelleraren.• Slutprodukten är väldigt lättanvänd med korta beräkningstider.• Slutprodukten kan implementeras i valfri programmiljö, till exempel MicrosoftExcel.• ANN kan kombineras med fysikaliska modeller.Nackdelar med ANN jämfört traditionella ekvationsbaserade program/system är blandannat att:• Tillgång till mätdata vid varierande driftstillstånd är en förutsättning för ANNmodellering.• Kunskaper om ANN, ANN modellering och datafiltrering är nödvändig förmodelleringsarbete.44

13 Rekommendationer och användningDet framtagna verktyget för tillståndsövervakning och termoekonomisk optimering avdriften kan användas av kraftverksägaren för att effektivisera underhållet avanläggningen genom övergång till så kallat konditionsbaserat underhåll.45

14 Förslag till fortsatt forskningsarbeteSom fortsättning på detta arbete föreslås fortsatt fokusering på implementeringen ochanvändningen av ANN modellerna, för online tillståndsövervakning ochtermoekonomisk driftoptimering, samt en utvärdering av användbarheten.Användargrässnittet kan vidareutvecklas genom att till exempel automatiserauppdateringen av alla ekonomiska indata och eventuellt överföras till 800xA miljö.Vidare forskning bör också utföras inom andra användningsområden, så somsensorvalidering, vibrationsövervakning, avgastemperatursprofilsmodellering ochfeldiagnostisering.46

15 Litteraturreferenser[1] Torisson T., Assadi M., ”Utvärdering av gasturbin GTX100 i Helsingborg - Etapp1”, SGC Rapport A31, 2001[2] Karlsson A., ”Utvärdering av gasturbin GTX100 i Helsingborg - Etapp 2”, SGCRapport A39, 2003[3] Torisson T., Assadi M., Klingmann J., Arriagada J., Genrup M., Karlsson A.,”Utvärdering av gasturbin GTX100 i Helsingborg - Etapp 3”, SGC Rapport 154,2005[4] Fast M., Assadi M., ”Modellering av hybridanläggning samt utveckling avövervakningssystem för Västhamnsverket baserat på Artificiella NeuralaNätverk”, SGC Rapport 171, 2006[5] Arriagada J., ”Introduction of Intelligent Tools for Gas Turbine Based, Small-Scale Cogeneration”, Licentiatavhandling, Lund, december 2001[6] Arriagada J., ”On the Analysis and Fault-Diagnosis Tools for Small-Scale Heatand Power Plants”, Doktorsavhandling, Lund, december 2003[7] Assadi M., ”Methods and Tools for Analysis and Optimization of Power Plants”,Doktorsavhandling, Lund, 2000[8] Olausson P., ”Tools for Environmental Design and Operation of Heat and PowerPlants”, Licentiatavhandling, Lund, december 2001[9] Olausson P., ”On the Selection of Methods and Tools for Analysis of Heat andPower Plants”, Doktorsavhandling, Lund, december 2003[10] Fast M., ”Artificial Neural Networks for Gas Turbine Modelling and SensorValidation”, Examensarbete, Lund, december 2005[11] Kaiadi M., ”Artificial Neural Networks Modelling for Monitoring andPerformance Analysis of a Heat and Power Plant”, Examensarbete, Lund, januari2006[12] Kröse B., van der Smagt P., ”An Introduction to Neural Networks”, 1996[13] ”Energiläget 2004”, Energimyndigheten[14] Naturvårdverket, Tillgänglig: http://www.naturvardsverket.se [30102007][15] Skatteverket, Tillgänglig: http://www.skatteverket.se/ [27092007][16] Bioenergiportalen, Tillgänglig: http://www.bioenergiportalen.se/ [27092007][17] Energimyndigheten. Tillgänglig: http://www.energimyndigheten.se/ [27092007][18] Regeringen. Tillgänglig: http://www.regeringen.se/. [27092007][19] ”Industrial IT 800xA – System Version 4.1 Configuration”, ABB Manual47

Hemsida www.sgc.se • epost info@sgc.se